基于KDTree改进的Super 4PCS+ICP算法在点云配准中的应用研究

在点云配准过程中,为了提高点云的配准精度,针对ICP算法对于初始位姿的局限性,对点云数据进行Super4PCS+ICP的“先粗后精”处理。首先利用KDTree树搜索对应点,用局部区域的特征度确定特征点集,再使用Super4PCS算法实现粗配准。针对精配准提出KDTree树来加快速度,SVD求解对应点参数、常数为1的加权平均、求解误差函数等手段来实现对ICP算法的改进,并求出刚体变换后的旋转平移矩阵,提高点云配准精度。实验表明,相较于传统ICP算法,本文方法的配准精度有了显著的提升。本文研究的方法可为点云配准的深入研究提供一定的参考。

基于3D-SIFT与4PCS融合的大数据量点云快速配准方法

测量点云与模型点云的配准是视觉定位的关键。针对测量点云数据量大且与CAD模型点云重叠率低造成视觉定位精度差、算法效率低的问题,提出一种基于三维尺度不变特征变换(3D-SIFT)与4点快速鲁棒匹配算法(4PCS)融合的测量点云与模型点云配准方法。首先利用深度相机对零件进行点云提取并对提取到的测量点云进行降噪和滤波处理;接着利用3D-SIFT特征点提取算法对测量点云和CAD模型点云进行特征点提取;最后把提取的特征点作为4PCS算法的初始值进行2种点云数据的配准。与常用的4PCS算法、Super-4PCS算法相比,在算法仿真与实际应用实验结果表明,本文算法在保证配准精度的前提下将配准速度提高30%以上。

双重下采样增强的点云改进配准算法研究

自动驾驶领域对点云配准实时性要求高,而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此,本文提出了一种改进的快速点云配准方法,首先采用双重下采样方法对初始点云数据进行预处理,在保留原始特征的同时快速降低点云数据量,然后引入内部形状描述子(ISS)来优化超级全等四点集(Super4PCS)算法,降低其时间复杂度,最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证,结果表明:该算法具有良好的鲁棒性,且配准精度和配准速度均比已有算法有明显提高。

工程装备逆向建模中的点云配准技术研究

通过应用一种基于区域划分的Super4PCS算法用于点云全局配准,根据源点云与目标点云的重叠比例对点云进行区域划分,计算出能够实现最大比例重叠的区域;最后求解出各区域配准的旋转矩阵和平移向量,并将其用于全局配准,同时采用了基于重启加速ADMM改进的稀疏ICP算法用于点云局部配准。实验结果表明,所用算法在两配准点云低重叠比例时,能够有效地提高配准精度与配准效率,同时避免了陷入局部最优解的问题。